hive on spark 调优

对于Hive on Spark的调优，有几个关键的配置可以考虑。首先，可以通过调整hive.auto.convert.join.noconditionaltask.size来控制将基础join转化为map join的阈值，从而影响性能。这个配置在Hive on MapReduce和Hive on Spark中都可以使用，但是两者的解释略有不同。

其次，可以通过设置一些Spark相关的配置来进行调优。例如，可以设置hive.execution.engine为spark来指定使用Spark作为执行引擎。还可以设置spark.executor.memory、spark.executor.cores、spark.executor.instances来调整Spark执行器的内存和核心资源分配。另外，设置spark.serializer为org.apache.spark.serializer.KryoSerializer可以改进序列化的性能。

此外，Hive on Spark相比于Hive on MapReduce有更好的性能，并且提供了相同的功能。用户的SQL不需要进行修改，就可以直接在Hive on Spark上运行。同时，UDF函数也被全部支持。

总结起来，在运行于YARN模式下的Hive on Spark的调优，可以关注以下几点：
1. 调整hive.auto.convert.join.noconditionaltask.size来控制基础join转化为map join的阈值。
2. 设置相关Spark配置，如hive.execution.engine、spark.executor.memory、spark.executor.cores、spark.executor.instances等，来优化资源分配和序列化性能。
3. 充分利用Hive on Spark的性能优势，无需修改SQL即可运行，并支持全部UDF函数。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [hive on spark 调优](https://blog.csdn.net/weixin_45489441/article/details/123252215)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* [Hive on Spark调优](https://blog.csdn.net/javastart/article/details/126041883)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]